导读:本文包含了实体特征论文开题报告文献综述及选题提纲参考文献，主要关键词:医疗实体识别,深度学习,电子病历,人工神经网络
实体特征论文文献综述
韩普,刘亦卓,李晓艳[1]（2019）在《基于深度学习和多特征融合的中文电子病历实体识别研究》一文中研究指出电子病历实体识别是医疗领域人工智能和医疗信息服务中非常关键的基础任务.为了更充分地挖掘电子病历中的实体语义知识以提升中文医疗实体识别效果,提出融入外部语义特征的中文电子病历实体识别模型.该模型首先利用语言模型word2vec将大规模的未标记文本生成具有语义特征的字符级向量,接着通过医疗语义资源的整合以及实体边界特征分析构建了医疗实体及特征库,将其与字符级向量相拼接以更好地挖掘序列信息,最后采用改进的Voting算法将深度学习结果与条件随机场(Conditional Random Fields,CRF)的结果加以整合来纠正标签偏置.实验表明,融入外部语义特征的改进模型的F值达到94. 06%,较CRF高出1. 55%.此外,还给出了模型最佳效果的各项参数.(本文来源于《南京大学学报(自然科学)》期刊2019年06期）
雷树杰,邢富坤,王闻慧[2]（2019）在《融合多类型特征的特定领域实体识别研究》一文中研究指出特定领域实体具有分布稀疏、类型有限、领域性强等特点,与普通命名实体具有较大差别,在使用神经网络模型构建识别模型中面临训练语料规模有限、带标实体稀疏等困难。以武器装备名识别为例,研究深度学习框架下,词性、句法和领域知识融入神经网络模型的方法和效果。实验结果表明,在融入词性和领域知识后,武器装备名识别的F值分别提升了0.97%与9.5%。此外,通过在不同语料规模下进行实验并定量分析不同类型特征的分布特点,初步给出造成不同类型特征对深度学习模型有着不同支持作用的原因。(本文来源于《计算机应用与软件》期刊2019年11期）
李卫疆,李涛,漆芳[3]（2019）在《基于多特征自注意力BLSTM的中文实体关系抽取》一文中研究指出实体关系抽取解决了原始文本中目标实体之间的关系分类问题,同时也被广泛应用于文本摘要、自动问答系统、知识图谱、搜索引擎和机器翻译中。由于中文句式和语法结构复杂,并且汉语有更多歧义,会影响中文实体关系分类的效果。该文提出了基于多特征自注意力的实体关系抽取方法,充分考虑词汇、句法、语义和位置特征,使用基于自注意力的双向长短期记忆网络来进行关系预测。在中文COAE 2016Task 3和英文SemEval 2010Task 8数据集上的实验表明该方法表现出了较好的性能。(本文来源于《中文信息学报》期刊2019年10期）
秦贺然,刘浏,李斌,王东波[4]（2019）在《融入实体特征的典籍自动分类研究》一文中研究指出【目的】在传统统计特征词算法的基础上,添加实体特征对10本古代典籍进行分类研究。【方法】基于支持向量机模型,分别采用传统的TF-IDF、信息增益、卡方检验、互信息4种统计量计算特征词,再加入命名实体这一特征,验证分类器的分类效果。【结果】加入实体特征之后分类器的最高精度达98.7%。在传统的信息增益、TF-IDF、互信息和卡方检验特征计算下的分类精度分别提高12.4%、12.4%、12.3%、22.8%。【局限】将实体特征迁移到其他文本有一定的局限性,需要重新标注识别实体。【结论】实体可以作为一类特征应用到文本分类模型中,具有实际的应用推广价值。(本文来源于《数据分析与知识发现》期刊2019年09期）
李巧珍,刘建雨,章炉军,张美彦,于海龙[5]（2019）在《香菇自交选育新菌株及其亲本子实体的氨基酸特征及蛋白质营养价值》一文中研究指出通过测定粗蛋白和其水解后氨基酸的含量,在现行国际氨基酸模式谱的基础上,以氨基酸评分(amino acid score, AAS)、美国国家科学院医学研究所(IOM)模式评分、化学评分(chemical score,CS)、氨基酸比值系数(ratio coefficient,RC)、氨基酸比值系数分(score of RC,SRC)和必需氨基酸指数(essential amino acid index, EAAI)等指标,对香菇(Lentinula edodes)自交选育新菌株243和申香1504及亲本沪香F2子实体的氨基酸特征和蛋白质营养价值进行分析。结果表明,菌株243和申香1504子实体粗蛋白含量显着低于亲本沪香F2,菌株243子实体的氨基酸总量、必需氨基酸总量与沪香F2相当,3个菌株必需氨基酸/总氨基酸值和必需氨基酸/非必需氨基酸值符合FAO/WHO理想蛋白模式;蛋白中AAS评分、IOM评分、CS评分、SRC值、EAAI值均以243菌株最高。3个菌株的蛋白质校正氨基酸计分(protein digestibility corrected amino acids score,PDCAAS)值在0.54～0.61之间,子代243菌株最高,其次为亲本沪香F2。(本文来源于《食用菌学报》期刊2019年03期）
孙安,于英香,罗永刚,孙逊[6]（2019）在《序列标注模型中不同输入特征组合的集成学习与直推学习方法研究——以CCKS-2018电子病历命名实体识别任务为例》一文中研究指出[目的/意义]研究机器学习中集成学习与直推学习方法对电子病历命名实体识别任务的性能影响,为基于机器学习方法的文本信息抽取提供一种性能优化方法。[方法/过程]首先对CCKS-2018提供的电子病历文本进行分析,提取中文分词、词性标注、临床实体类别特征;然后在条件随机场CRF算法下,采用不同输入特征组合的方法构造"基学习器"进行投票集成;最后用直推学习方法对集成学习结果进行优化。[结果/结论]实验中集成学习获得总体效果F_1值86.93%均优于"基学习器"结果值,直推学习获得了模型的最佳泛化性能87.06%,同时多特征组合比单独字特征可以获得更好的"基学习器"。实验证明采用不同输入特征组合的集成学习和直推学习可以有效提升模型的泛化性能,该方法可以在其他相关机器学习与文本信息抽取领域中推广。(本文来源于《情报杂志》期刊2019年10期）
Sarungbam,J,Mehra,R,Tomlins,S,A,魏建国,袁晓露[7]（2019）在《管状囊性肾细胞癌是一种具有特征性基因组特点、独特的临床病理实体》一文中研究指出管状囊性肾细胞癌是新近WHO肾肿瘤分类中一种特殊类型的肿瘤实体。据文献报道,管状囊性肾细胞癌与其他类型的肾细胞癌的关系密切,包括乳头状肾细胞癌、延胡索酸水化酶缺陷性肾细胞癌,以及其他具有多少不等管状囊性结构特征的癌。目前,文献报道的上述肿瘤的组织学分子特征并不一致。(本文来源于《临床与实验病理学杂志》期刊2019年07期）
Dickson,B,C,Childs,T,J,Colgan,T,J,赵芳,魏建国[8]（2019）在《类似卵巢性索肿瘤的子宫肿瘤:一种以复发性NCOA2/3基因融合为特征的独特肿瘤实体》一文中研究指出类似卵巢性索肿瘤的子宫肿瘤(UTROSCT)是一类组织学发生尚不清楚、恶性潜能未定的罕见肿瘤,其形态学类似卵巢性索-间质肿瘤,具有多向分化的免疫表型,分子致病机制尚不清楚。UTROSCT与其他具有性索-间质分化的子宫肿瘤相比,两者缺乏类似的改变。本文通过RNA测序鉴定1例具有(本文来源于《临床与实验病理学杂志》期刊2019年07期）
Ya,QIN,Guo-wei,SHEN,Wen-bo,ZHAO,Yan-ping,CHEN,Miao,YU[9]（2019）在《一种基于特征模板和CNN-BiLSTM-CRF的网络安全实体识别方法（英文）》一文中研究指出利用海量网络安全威胁情报数据,构建网络安全知识图谱实施深度关联分析和挖掘,可帮助识别安全威胁并提出相应防御措施。这已成为网络安全领域研究热点。本文针对网络安全文本数据,研究实体识别算法,为构建网络安全知识图谱奠定基础。传统方法难以识别网络安全领域的新实体、中英文混合安全实体等,且提取的特征不够充分。本文在神经网络模型基础上,提出基于特征模板的CNN-Bi LSTM-CRF网络安全实体识别算法。首先构建人工特征模板,提取局部上下文特征。再利用CNN提取字符特征,与局部上下文特征结合,传入BiL STM模型提取语义特征。最后利用CRF对安全实体进行标注。结果表明,在大规模网络安全数据集上,该方法优于其它算法,F值达到86%。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2019年06期）
张帆,黎冰[10]（2019）在《实体推敲模型在建筑设计中的作用特征研究》一文中研究指出实体推敲模型作为常用的建筑设计工具,在实际应用中具有鲜明的特征,作用显着。受计算机辅助设计的冲击,实体推敲模型逐渐被忽视。文章论述了实体模型的发展历史和分类,并通过与数字信息模型的对比,分析实体推敲模型在设计过程中的作用特征和局限性,提出改进措施,使实体推敲模型能更好地服务于建筑设计。(本文来源于《建筑与文化》期刊2019年05期）
实体特征论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
特定领域实体具有分布稀疏、类型有限、领域性强等特点,与普通命名实体具有较大差别,在使用神经网络模型构建识别模型中面临训练语料规模有限、带标实体稀疏等困难。以武器装备名识别为例,研究深度学习框架下,词性、句法和领域知识融入神经网络模型的方法和效果。实验结果表明,在融入词性和领域知识后,武器装备名识别的F值分别提升了0.97%与9.5%。此外,通过在不同语料规模下进行实验并定量分析不同类型特征的分布特点,初步给出造成不同类型特征对深度学习模型有着不同支持作用的原因。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
实体特征论文参考文献
[1].韩普,刘亦卓,李晓艳.基于深度学习和多特征融合的中文电子病历实体识别研究[J].南京大学学报(自然科学).2019
[2].雷树杰,邢富坤,王闻慧.融合多类型特征的特定领域实体识别研究[J].计算机应用与软件.2019
[3].李卫疆,李涛,漆芳.基于多特征自注意力BLSTM的中文实体关系抽取[J].中文信息学报.2019
[4].秦贺然,刘浏,李斌,王东波.融入实体特征的典籍自动分类研究[J].数据分析与知识发现.2019
[5].李巧珍,刘建雨,章炉军,张美彦,于海龙.香菇自交选育新菌株及其亲本子实体的氨基酸特征及蛋白质营养价值[J].食用菌学报.2019
[6].孙安,于英香,罗永刚,孙逊.序列标注模型中不同输入特征组合的集成学习与直推学习方法研究——以CCKS-2018电子病历命名实体识别任务为例[J].情报杂志.2019
[7].Sarungbam,J,Mehra,R,Tomlins,S,A,魏建国,袁晓露.管状囊性肾细胞癌是一种具有特征性基因组特点、独特的临床病理实体[J].临床与实验病理学杂志.2019
[8].Dickson,B,C,Childs,T,J,Colgan,T,J,赵芳,魏建国.类似卵巢性索肿瘤的子宫肿瘤:一种以复发性NCOA2/3基因融合为特征的独特肿瘤实体[J].临床与实验病理学杂志.2019
[9].Ya,QIN,Guo-wei,SHEN,Wen-bo,ZHAO,Yan-ping,CHEN,Miao,YU.一种基于特征模板和CNN-BiLSTM-CRF的网络安全实体识别方法（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2019
[10].张帆,黎冰.实体推敲模型在建筑设计中的作用特征研究[J].建筑与文化.2019